El futuro es hoy: Inteligencia Artificial, Big Data y Ciclismo
Creo que no cabe la menor duda y pienso que estaremos todos de acuerdo en la afirmación de que el ciclismo se ha convertido en uno de los deportes más científicos y tecnológicos de la actualidad. Como hemos venido hablando en artículos precedentes, la gran cantidad de datos que manejamos en nuestro deporte hacen que los ciclistas y entrenadores sepan con gran certeza cuál es el estado de forma en el que se encuentran los atletas con un mínimo grado de error.
Esta es una de las razones principales por las que el nivel medio del pelotón internacional es mucho más elevado que hace una década. Hace algunos años podíamos ver como cuando la carretera se empinaba dos o tres ciclistas hacían grandes diferencias con el resto. Si observáis las carreras en la actualidad, no existen diferencias tan abultadas como antes y normalmente en las rampas de los últimos puertos podemos ver como grupos de 10 o incluso 15 o 20 ciclistas se juegan la carrera hasta los últimos metros. ¿Cuál es el motivo por el que sucede esto? ¿Había antes más o menos nivel?
Como he mencionado anteriormente, la respuesta está en la socialización del potenciómetro, así como de los grandes avances en el mundo de la fisiología deportiva y el entrenamiento de los últimos años. Hoy en día todo el mundo, y más a nivel profesional, tiene acceso a ellos y se entrena, recupera, se nutre y se cuida de la mejor manera posible para acudir a esta o aquella carrera en la mejor forma posible. Todos estos datos y análisis han traído la socialización al pelotón profesional, haciendo que más y más ciclistas se sumen a la lucha por la victoria en cada una de las carreras, haciendo que el nivel general del pelotón sea más alto que hace algunos años.
Foto: ASO / A. Broadway
En este artículo queremos ir un paso más allá y vamos a intentar visualizar hacia dónde va elfuturo mundo del deporte, y más concretamente del ciclismo, con la ayuda de la ciencia y la tecnología. Para hablar del futuro, contaré en este artículo, con la inestimable ayuda y colaboración de mi amigo personal, excompañero de trabajo en Specialized Bicyicle Components y además ex-ciclista sub23, Alex Aranburu.
Alex es Ingeniero en Inteligencia Artificial y Procesamiento de Señales y posee dos Masters en Automatización Informática, el segundo de ellos cursado en la Universidad de California, en Santa Cruz, en el corazón de Silicon Valley. Como veis es una persona sobradamente preparada, que nos ilustrará en las siguientes líneas, sobre cómo ve el futuro del ciclismo con la ayuda de la ciencia y tecnología del futuro.
Alex, nos hablará sobre Inteligencia Artificial (IA), Machine Learning (máquinas que aprenden por sí mismas) y Procesamiento de datos, hablando del tan de moda Big Data, que como nos explicará Alex, en ciclismo se convierte en Small Data, aunque muchas compañías y grandes equipos, sobre todo por temas de márketing, quieran catalogarlo como Big Data.
Foto: ASO / Alex Broadway
Os recomiendo tener los sentidos alerta, así como la mente abierta a la hora de leer el artículo, espero que os guste tanto como a mí. Sin más os dejo con las palabras de Alex:
INTRODUCCIÓN
Mucho se habla hoy en día sobre la Inteligencia Artificial (IA). Lo que hace ya más de media década se convirtió en uno de los temas tecnológicos más candentes en regiones específicas como California (EEUU), Londres (Reino Unido), Bangalore (India) o Hong Kong (China), se ha acabado de expandir en su plenitud a todo el planeta en 2019. No solo a la comunidad científica e industrial en particular, sino también al ciudadano de a pie. Desde la previsible implantación de los coches autónomos, a la interacción de los chatbots como Siri o Alexa, al contenido publicitario personalizado, a la capacidad de los robots de aprender tareas específicas mejor que el ser humano (como vencer al campeón del mundo de cualquier juego), a la Realidad Virtual/Aumentada…
La Inteligencia Artificial ha sido por excelencia el término emergente más empleado en las campañas de márketing de los gigantes tecnológicos estos últimos meses. Ahora, los tecnólogos y amantes del ciclismo nos preguntamos cuánto tardará el sector en apostar por este deporte y qué nuevos beneficios traerá a los deportistas, cicloturistas, seguidores y entrenadores.
Antes de empezar, conviene familiarizarse con algunos términos técnicos del mundo de la Inteligencia Artificial. Como éste abarca una gran variedad de disciplinas, vamos a centrarnos en una de las ramas con más aplicaciones y de mayor eco: el Aprendizaje Automático, más conocido como Machine Learning. El Machine Learning se puede definir como el estudio de algoritmos y modelos estadísticos para conseguir que las máquinas sean capaces de aprender y ejecutar una tarea específica sin necesidad de instrucciones externas.
Foto: ASO / Alex Broadway
Existen dos grupos principales dentro de esta rama:
UN POCO DE TEORÍA
Aprendizaje Supervisado (Supervised Learning)
- Se basa en utilizar miles de datos etiquetados a modo de ejemplo para entrenar a las máquinas a clasificar o predecir un resultado.
- En su mayoría, emplea algoritmos que simulan el funcionamiento del cerebro humano y comportamiento de las neuronas. Este grupo de algoritmos (como las famosas redes neuronales), pertenecen al subconjunto de Deep Learning o Aprendizaje Profundo.
- En la actualidad, el Deep Learning se ha convertido en la disciplina más popular de la Inteligencia Artificial.
- Ejemplo (aplicado a los coches autónomos): mostrar a la máquina un millón de imágenes en las que aparecen humanos, coches, peatones, árboles, animales, etc. (indicando dónde se encuentra cada categoría en cada imagen), entrenar la máquina mediante redes neuronales, y conseguir que después la máquina sea capaz de clasificar qué categorías existen y dónde se encuentran en una imagen cualquiera, antes jamás vista por la máquina, con un 99% de acierto. Esto equivale a darle al coche el sentido de la vista.
(Si no ves el siguiente GIF correctamente, pincha en este link)
Ejemplo de red neuronal para clasificar animales en imágenes (Fuente: https://towardsdatascience.com)
Aprendizaje No Supervisado (Unsupervised Learning)
- Se trata de descubrir patrones ocultos o información estructural de datos no etiquetados.
- La aplicación más común es la de crear clusters o grupos para segmentar los diferentes grupos de interés de los datos. También se utiliza para poder visualizar cuán significativos son los datos de manera simplificada, mediante la reducción de dimensiones.
- En general, el aprendizaje no supervisado es más propenso a errores y no se consigue el mismo índice de éxito que con el aprendizaje supervisado.
- Ejemplo (aplicado a los sistemas de recomendación como ocurre en YouTube): El sistema tiene acceso a datos de miles de usuarios y ejecuta algoritmos de aprendizaje no supervisado para encontrar tendencias en relación a diferentes segmentos de la población. Por ejemplo, el sistema puede predecir tu edad en base a la música que has escuchado/visto previamente y en consecuencia pensar y sugerir que seguramente te guste escuchar/ver el último single de un artista en concreto.
Además de estas dos áreas, cabe también mencionar la reciente popularidad del Aprendizaje por Refuerzo gracias a los resultados sorprendentes que se han conseguido desde la popularización de las redes neuronales. Gracias a estas técnicas, en 2015 Google consiguió que su máquina venciera al campeón del mundo de Go, un juego 10.120 (miles de millones) veces más complicado que el ajedrez.
Aprendizaje por Refuerzo (Reinforcement Learning)
- Algoritmos (o “agentes”) capaces de tomar una serie de acciones, que aprenden continuamente de las experiencias observadas en un entorno específico y pretenden encontrar la estrategia óptima para maximizar una puntuación o cumplir un objetivo.
- Orientados al aprendizaje en tiempo real (a diferencia del aprendizaje supervisado y no supervisado).
- Ejemplo (aplicado al ajedrez): observando el estado del tablero, la máquina es capaz de jugar más de un millón de partidas en pocos segundos y entrenarse mediante prueba-error para aprender a vencer al campeón del mundo de ajedrez.
Para terminar con esta breve introducción al Machine Learning y antes de pasar a hablar sobre ciclismo (¡que es lo que más nos gusta!), el diagrama inferior distingue y ofrece diferentes ejemplos de cada una de las tres categorías.
Partiendo de esta base, quiero dedicarle también unas líneas al Big Data, que se define como el método de procesar una cantidad ingente de datos con un gran número de dimensiones o parámetros, de manera rápida y eficiente. Muchos de vosotros ya habréis oído hablar del Big Data en el ciclismo, ya que no es la primera vez que los equipos más destacados hacen publicidad a cerca del concepto: de cómo poseen una gran base de datos, cómo procesan su información y cómo sacan provecho de ello para perfeccionar la toma de decisiones y el rendimiento de los ciclistas.
Sin embargo, hay algo que quisiera resaltar a cerca de este tema. A día de hoy no está muy claro dónde está el límite entre Big Data y Small Data, pero lo que sí está claro es que si tu ordenador es capaz de guardar y procesar toda esa gran cantidad de datos que posees (por debajo de ≈1 Terabyte), sin necesidad de hacer uso de una supercomputadora, entonces no es Big Data. Además, os puedo asegurar de primera mano que los equipos punteros raramente manejan datos por encima de los 50-100 GB. En resumen, el procesamiento de datos que realizan los equipos UCI World Tour en la actualidad está muy lejos de poder considerarse Big Data.
APLICANDO LA TEORÍA
Una vez aclarado esto, ya estamos listos para centrarnos en posibles aplicaciones de Inteligencia Artificial en el ciclismo. Es necesario mencionar que varios de los siguientes ejemplos están todavía en desarrollo o no se han desarrollado aún. Con este artículo también espero inspirar e incitar a tecnólogos y empresas del sector para que den el salto y se animen a reflexionar, innovar e implementar nuevos usos de la Inteligencia Artificial en el deporte: ¡el abanico de oportunidades es inmenso!
En primer lugar, vamos a comenzar por las aplicaciones más simples y que hoy en día (aunque poco) ya se están utilizando. Éstas pertenecen principalmente al área de Aprendizaje No Supervisado. Imaginemos que acaba de terminar la contrarreloj inicial del Tour de Francia y que se desea comparar de alguna forma por qué ha habido tanta diferencia entre los especialistas en la disciplina y el resto de corredores dentro de un mismo equipo. Sacando provecho a las técnicas de Aprendizaje No Supervisado y empleando los datos registrados de cada corredor, es posible ver cuáles son los parámetros que más acentúan esa diferencia.
Por ejemplo, se puede llegar a la conclusión de que los especialistas han sido capaces de mantener una potencia y una cadencia constante a lo largo de toda la crono, mientras que los no especialistas redujeron enormemente dichos parámetros en la última parte del recorrido. Adicionalmente, si se tuviera acceso al coeficiente aerodinámico de cada corredor del que tanto os ha hablado Iván, las conclusiones serían mucho más significativas.
Obviamente, esto es algo que el ojo de un analista humano también es capaz de detectar estudiando cada gráfica en detalle. No obstante, los equipos se verían obligados a contratar a una persona con el único fin de realizar dichos análisis después de cada etapa, mientras que la Inteligencia Artificial permite obtenerlos en cuestión de milisegundos solamente pulsando un botón. Por otro lado, se pueden además aplicar técnicas parecidas a los datos de los últimos 5-10 años de cada corredor para intentar encontrar patrones concluyentes del rendimiento del ciclista a lo largo de la temporada (pretemporada, picos de forma, periodos de descanso, etc.).
Estas aplicaciones se basan principalmente en métodos estadísticos no demasiado avanzados ni complejos. Ahora vamos a meter el plato grande y atrevernos con una aplicación empleando Aprendizaje Supervisado. ¿Qué pensaríais si Garmin mañana os anunciara que gracias a su próximo dispositivo no os hará falta llevar ningún pulsómetro encima para medir vuestra frecuencia cardiaca? ¿Creeríais que se trata de magia? No sería magia, sería Inteligencia Artificial. Mediante los fundamentos del Deep Learning y las redes neuronales, no hay razones para pensar que vuestro Garmin no va a ser capaz de aprender cómo funciona vuestro corazón en relación a la cadencia, potencia, velocidad, pendiente, etc.
Puedo imaginar que muchos no acabéis de creéroslo o que dudéis sobre la precisión de dicha aplicación, pero podéis estar seguros de algo: después de una prueba de esfuerzo y algunos entrenamientos, vuestro dispositivo habrá aprendido a predecir vuestra frecuencia cardiaca con un margen de error de solo +/- 2-3 ppm. El dispositivo será capaz incluso de aprender a adaptarse a las variaciones de vuestro estado de forma. Siento desilusionaros si os digo que de momento Garmin no tiene planes para lanzar ningún producto parecido, pero espero haberos convencido del gran potencial del Machine Learning y la Inteligencia Artificial en el ciclismo.
Tras analizar aplicaciones en las áreas de Aprendizaje No Supervisado y Supervisado, vamos a intentar encontrar otro ejemplo real empleando Aprendizaje por Refuerzo. Como esta área se adapta mucho mejor a aplicaciones en tiempo real, existen muchas posibilidades de mejorar el análisis de las etapas en tiempo real mediante los algoritmos apropiados. En este caso me voy a referir a la aplicación de otro deporte. En el baloncesto, cuando el jugador estrella del equipo rival está haciendo que pierdas el partido, existe una estrategia que se llama Doubling o doble marcaje, que consiste en utilizar a dos de tus defensas para cubrir a dicho jugador mientras dejas libre a otro contrincante menos peligroso. Obviamente, esta estrategia puede dar muy buenos frutos, pero los riesgos también son claros.
Foto: ASO / A. Broadway
Pues lo cierto es que se ha llevado a cabo un estudio que emplea datos de casi un millón de posesiones para saber cuándo es buen momento para hacer uso (o no) de esta estrategia con ayuda del Aprendizaje por Refuerzo. En un intento de extrapolar situaciones similares al ciclismo, también se podrían analizar situaciones claves como cuándo y dónde atacar, ponerse a tirar, hacer abanicos y mucho más. Como se puede ver, la Inteligencia Artificial tiene miras de convertirse en una herramienta muy potente para los directores de los equipos.
APLICACIONES DEL FUTURO
Hasta aquí, sin saber cuál puede ser la demora, las aplicaciones mencionadas ya son posibles a corto-medio plazo con la tecnología existente hoy en día. A continuación, vamos a especular un poco más sobre las posibles aplicaciones a largo plazo y más futuristas. Como con cualquier receta, se puede predecir que la principal mejora llegará gracias a una calidad superior de los ingredientes, o en este caso, de los datos. El ciclismo actual ofrece ciertas limitaciones de cara a la Inteligencia Artificial, y es que no existen demasiados indicadores cuantitativos para saber realmente lo que pasa dentro del cuerpo del ciclista. A medida que los avances en el campo de la medicina experimenten un mayor progreso, la calidad de estos indicadores también irá en aumento.
De aquí a dentro de unas pocas décadas no sería de extrañar encontrar sensores biométricos implantados dentro de las personas y los deportistas.Sensores en forma de pastillas o cápsulas que permitirían medir desde el ácido láctico, a la tensión arterial, nivel de deshidratación, nivel de glucosa en sangre, nivel de adrenalina, gasto energético, etc. Por otra parte, ya existen ciertos microchips en desarrollo que se implantan en los dientes, capaces de monitorizar el consumo de cualquier alimento sólido o líquido y calcular sus valores nutricionales, lo cual permitiría un control total y absoluto sobre la dieta del ciclista.
Todo esto podría suponer ese salto del Small Data al Big Data para el ciclismo. La precisión para medir el rendimiento del deportista en tiempo real se podría disparar hasta límites inimaginables con todos estos datos, con el debido poder computacional y las correspondientes técnicas de Inteligencia Artificial.
CONCLUSIONES
Alex Aranburu: Desde luego, las repercusiones de todos estos cambios en el ciclismo son una incógnita a día de hoy. Lo más probable es que se siga repitiendo lo que ya venimos viendo estos últimos años: que la intuición del deportista pierde importancia y que los datos permiten gestionar muchas situaciones que antes se podían descontrolar más fácilmente. En cualquier caso, no hay que subestimar a la comunidad científica. No todo el mundo sabe que muchas de las técnicas de Inteligencia Artificial fueron inventadas hace ya más de 40 años. Han sido sin embargo los avances en la capacidad computacional de las máquinas los que han hecho posible su implementación.
Si los últimos 25 años ha habido innovaciones extraordinarias y ahora con un modelo aproximado (y poco refinado) del funcionamiento del cerebro ya se han conseguido resultados sorprendentes, quién sabe lo que nos depararán los próximos 25 años. Muchos expertos están convencidos de que será la fusión entre la Bioquímica, la Neurociencia, la Inteligencia Artificial y la capacidad computacional de las máquinas (con ayuda de la computación cuántica) lo que acabe por convertirse en una de las mayores revoluciones en la historia del ser humano.
Foto: Volta CV
Iván Velasco: Como bien nos comenta Alex, nadie sabe todavía en la actualidad hacia dónde nos llevarán en el plano deportivo todos los avances en ciencia y tecnología que se vienen dando en los últimos tiempos. Sin duda y como siempre en todo análisis de datos, bien sea de manera computacional a través de la inteligencia artificial o a la vieja usanza mediante la visualización de un gráfico por un ser humano, la clave estará en la interpretación de dichos datos para la obtención de información relevante o marcadores clave, que nos hagan predecir estados de forma, predecir enfermedades, estados de fatiga, estrategias en carrera, patrones repetitivos en el tiempo, etc.
Como en otras ocasiones he mencionado, los datos por sí solos no aportan nada, son solo un conjunto de números, pero, cuando sabemos interpretar estos datos y ponerlos en un contexto para obtener información, se convierten en una poderosísima herramienta con la que poder estudiar, analizar y corregir en caso de que fuese necesario, muchos de los factores que afectan a cualquier deporte.
Referencias Bibliográficas:
Silver, David & Schrittwieser, Julian & Simonyan, Karen & Antonoglou, Ioannis & Huang, Aja & Guez, Arthur & Hubert, Thomas & Baker, Lucas & Lai, Matthew & Bolton, Adrian & Chen, Yutian & Lillicrap, Timothy & Hui, Fan & Sifre, Laurent & van den Driessche, George & Graepel, Thore & Hassabis, Demis. (2017). Mastering the game of Go without human knowledge. Nature. 550. 354-359. 10.1038/nature24270.
Agrin Hilmkil, Oscar Ivarsson, Moa Johansson, Dan Kuylenstierna, Teun van Erp. (2018). Towards Machine Learning on Data from Professional Cyclists. Chalmers University of Technology, Sweden & Vrije Universiteit Amsterdam, The Netherlands.
Wang, Jiaxuan & Fox, Ian & Skaza, Jonathan & Linck, Nick & Singh, Satinder & Wiens, Jenna. (2018). The Advantage of Doubling: A Deep Reinforcement Learning Approach to Studying the Double Team in the NBA.
Eficiencia de pedaleo: El máximo partido de nuestro potenciómetro
Aerodinámica, ¿moda o realidad?: Drag y CdA
El proceso biomecánico en el ciclismo: Una reflexión
Qué es la Potencia y por qué es tan importante
¿Neumáticos anchos o estrechos? ¿23mm o 28mm? (Resist. de Rodadura y Crr)
Chris Froome en la Finestre y la ley universal que persigue al ciclista: La Gravedad
¿Importa el peso? Ciclistas pesados frente a ligeros (76 kilos vs 60 kilos)
El Giro desde dentro: La energía y la potencia de Markel Irizar
